企业官网建设流程全解析

做淘宝优惠券怎么有网站,推广引流渠道的论坛,专门做二手书网站或app,手机版房屋3d效果图设计软件来源#xff1a;ScienceAI 本文约2000字#xff0c;建议阅读5分钟 索尼 AI 推出了公平的以人为本的图像基准 FHIBE#xff0c;可作为许多以人为本的计算机视觉任务的公平性评估数据集#xff0c;包括姿态估计、人员分割、人脸检测和验证#xff0c;以及视觉问答。过去十多…来源ScienceAI 本文约2000字建议阅读5分钟 索尼 AI 推出了公平的以人为本的图像基准 FHIBE可作为许多以人为本的计算机视觉任务的公平性评估数据集包括姿态估计、人员分割、人脸检测和验证以及视觉问答。过去十多年里AI 在图像识别、面部识别、姿态估计等领域飞速发展。从自动驾驶、智能监控到社交媒体滤镜、增强现实视觉 AI 几乎无处不在。但与此同时人们也越来越意识到一个问题许多视觉 AI 模型在多样性等方面缺乏深度并且持续传递着偏见。这些数据集损害了 AI 模型的公平性和准确性并剥夺了利益相关者的权益。为此索尼 AI 推出了公平的以人为本的图像基准 FHIBE可作为许多以人为本的计算机视觉任务的公平性评估数据集包括姿态估计、人员分割、人脸检测和验证以及视觉问答。相关研究内容以「Fair human-centric image dataset for ethical AI benchmarking」为题发布在《Nature》。论文链接https://www.nature.com/articles/s41586-025-09716-2设计中的考量传统多数视觉数据集来源于网络爬虫和未经授权的图像采集往往缺乏数据主体同意与授权人口与地理多样性详尽结构化标签肤色、发色、年龄、性别、自我认同等环境 / 拍摄条件 / 器材 /背景 /姿态 /遮挡等现实复杂因素这些不足不仅违背伦理更使得模型对多数人群的表现不确定、容易引入偏见。更糟的是在某些任务如视觉问答、姿态估计、人像分割上缺乏适合的大规模公开基准集导致开发者无法系统检测或纠正偏差。故而评估模型和减轻偏见对于伦理人工智能的发展至关重要。索尼 AI 所提出的 FHIBE 数据集来自于 1,711 名主要受试者包含 10,318 张共计 1,981 个独特个体的图像每个主要主题平均有六张图像。这个数据集还具备自我报告的姿态和互动标注囊括了各种身体、头部、互动姿态与丰富的人体外观特征。图示FHIBE 中所有图像都提供了关于图像主体、工具和环境的标注。此外FHIBE 包含两个衍生人脸数据集这两个数据集也同样包含所有标注。与现有数据集相比FHIBE 作为唯一一个为人工智能评估和偏差缓解而收集的数据集具有坚实的同意基础相比其他基于同意的数据集在诊断人工智能中的偏见方面具有更大的实用性。此外FHIBE 在同意驱动的数据集中因其详细且自我报告的人口统计标签而脱颖而出这些标签能够支持在人口统计属性复杂交叉点的模型性能研究。评估与发现FHIBE 的多样化和全面的标注在公平性评估中提供了广度和深度能够评估模型在一系列人口统计属性及其交叉点上的表现。通过在对多个流行模型和不同任务比如姿态估计、人脸检测等进行系统测试研究团队很快发现了一些问题基于多个敏感属性包括代词、年龄、血统和肤色的交叉群体在表现上存在最大差异。在年龄上年轻人尤其是浅肤色的会更频繁地出现在表现较好的群体中老年人尤其是肤色较深的则与其相反。图示CLIP 在 FHIBE 上的预测偏见。对于一些模型甚至存在意外偏差来源如面部识别模型对“光线较差 拍摄距离远 面部遮挡 特定发型 /面部毛发”的组合极为敏感这些情况在传统数据库中很少遇到也因此从未被系统测试过。此外在评估使用不同观测数据集的模型时常常会出现相互冲突的偏倚趋势。除了上述的肤色、发色影响之外动作姿态的不同也会导致偏差出现。这些发现强调了解决模型错误相关来源的重要性并有助于指导开发者优化模型。而对于两个受试模型 CLIP 与 BLIP-2前者更倾向于默认主体为男性对不合刻板印象的场景存在更多偏见后者则更倾向于默认为女性且对负面提示会更具有性别与肤色偏见。利用 FHIBE 会更轻易地发现这些未被记录的偏差这些观察凸显了这些模型中持续存在的偏见并强调了采取偏见缓解策略的必要性。让 AI 看清世界FHIBE 标志着更负责任地让 AI 发展的一个转折点其中的一项关键贡献就是落实了许多仅在倡议中被反复呼吁的原则为未来的伦理数据收集工作铺平了道路。创建一个以人为本的数据集本身就具有挑战性这其中还需要考虑到数据贡献者与实验参与者所需要付出的成本。总体来看考虑到训练最先进AI模型所需的大量数据协商、多元且合理报酬的数据收集成本依然很高。但这不是放弃工作的原因。实验团队希望凭借 FHIBE 整合全面且经共识来源的图像和标注为 AI 系统建立负责任的数据集新标准。通过实施负责任的数据实践并使计算机视觉社区能够测试其模型的偏见FHIBE 可以帮助推动更具包容性和可信赖的 AI 系统的发展。编辑文婧关于我们数据派THU作为数据科学类公众号背靠清华大学大数据研究中心分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识努力建设数据人才聚集平台、打造中国大数据最强集团军。新浪微博数据派THU微信视频号数据派THU今日头条数据派THU